- 综合排序
- 最热优先
- 最新优先
- 来自专栏全栈程序员必看
基于yolov4的目标检测_yolov3目标检测
利用labelimg制作自己的深度学习目标检测数据集。 还有很完备的代码将labelimg标注好的voc格式或者yolo格式相互转换。 目标检测算法—将数据集为划分训练集和验证集。 数据最好放在最外一级目录中，然后数据集的目录格式如下图所示。大家一定要严格按我的格式来，否则非常容易出问题。 3训练自己的模型 3.1修改数据配置文件 预训练模型和数据集都准备好了，就可以开始训练自己的yolov5目标检测模型了，训练目标检测模型需要修改两个yaml文件中的参数。 如果不注释这行代码训练的时候会报错；箭头2中需要将训练和测试的数据集的路径填上（最好要填绝对路径，有时候由目录结构的问题会莫名奇妙的报错）；箭头3中需要检测的类别数，我这里是识别安全帽和人，所以这里填写2；最后箭头4中填写需要识别的类别的名字 tensorboard --logdir=runs 4 推理测试 等到数据训练好了以后，就会在主目录下产生一个run文件夹，在run/train/exp/weights目录下会产生两个权重文件
62120编辑于 2022-11-03 - 来自专栏AI算法札记
目标检测4: Detection基础之mAP
前面目标检测1: 目标检测20年综述之(一)和目标检测2: 目标检测20年综述之(二)让大家对目标检测有个大概的认识，机器学习评价指标合辑(Precision/Recall/F1score/P-R曲线/ 4. mAP计算示例 下面通过示例来解释插值AP。 下图有7张图像，其中15个GT目标用绿色框表示，24个检测到的物体由红色框表示。每个检测到的物体由字母（A，B，... 在一些图像中，存在多于一个与同一个ground truth重叠的检测结果（图像2,3,4,5,6和7）。对于这些情况，选择具有最高IOU的检测框，丢弃其他框。 （A1，A2，A3和A4）： 计算总面积，即可得到AP： 两种不同插值方法之间的结果略有不同：分别通过每点插值和11点插值分别为24.56％和26.84％。 参考资料 [1] 目标检测中的mAP是什么含义 [2] Object-Detection-Metrics [3] 目标检测mAP计算方式 [4] 目标检测评价标准-AP mAP [5] 目标检测模型的评估指标
1.5K30编辑于 2022-08-02 - 来自专栏计算机视觉战队
多目标检测：基于YoloV4优化的多目标检测
作者：Edison_G 为了解决目标检测任务中小目标检测精度低、误检、漏检率高等问题，有研究者提出了一种新的目标检测方法。 一、前言 为了解决目标检测任务中小目标检测精度低、误检、漏检率高等问题，有研究者提出了一种基于YOLOv4卷积神经网络的多目标检测方法。 二、概要 今天分享的框架，新的方法基于YOLOv4。 高层特征的语义信息首先通过FPN采样传播到低层网络，然后与底层特征的高分辨率信息融合，以提高小目标检测对象的检测效果。 ；检测头采用回归+分类的思想，将输入图像分别划分为76×76、38×38、19×19三种不同尺寸的网格图像，分别实现小目标、中目标和大目标的检测目标。 输入特征图经过一个卷积层后，经过5×5、9×9、13×13三个核进行最大池化， 然后concat得到的特征图进行通道拼接，输出通道数变成原来通道数的4倍，特征图大小保持不变。
1.4K20编辑于 2022-01-26 - 来自专栏简书专栏
目标检测第4步-模型测试
《目标检测第2步-数据准备》，链接：https://www.jianshu.com/p/3d9436b4cb66 《目标检测第3步-模型训练》，链接：https://www.jianshu.com/p 下载测试数据 下载链接: https://pan.baidu.com/s/1NksESNqBX--YqMJ4zptGdw 提取码: 6p3u 压缩文件n01440764.tar下载完成后，复制到桌面的文件夹目标检测中 进行到此步，桌面的文件夹目标检测如下图所示： ? image.png 4.下载并运行测试代码 链接: https://pan.baidu.com/s/1Ym1cYFCnsj1JAYFACHFj_Q 提取码: i3wn 代码文件fish_detection.ipynb 下载完成后，复制到桌面的文件夹目标检测中。
1.4K31发布于 2018-12-28 - 来自专栏全栈程序员必看
睿智的目标检测29——Keras搭建YoloV4目标检测平台
睿智的目标检测29——Keras搭建YoloV4目标检测平台 学习前言 什么是YOLOV4 代码下载 YOLOV4改进的部分（不完全） YOLOV4结构解析 1、主干特征提取网络Backbone 2、特征金字塔 什么是YOLOV4 YOLOV4是YOLOV3的改进版，在YOLOV3的基础上结合了非常多的小Tricks。 尽管没有目标检测上革命性的改变，但是YOLOV4依然很好的结合了速度与精度。 CIOU将目标与anchor之间的距离，重叠率、尺度以及惩罚项都考虑进去，使得目标框回归变得更加稳定，不会像IoU和GIoU一样出现训练过程中发散等问题。 而惩罚因子把预测框长宽比拟合目标框的长宽比考虑进去。 5、计算置信度的loss，其有两部分构成，第一部分是实际上存在目标的，预测结果中置信度的值与1对比；第二部分是实际上不存在目标的，预测结果中置信度的值与0对比。
95230编辑于 2022-09-12 - 来自专栏GiantPandaCV
INT4量化用于目标检测
Int 4量化用于目标检测 【GiantPandaCV】文章2019 CVPR，讲的是Int 4量化用于目标检测，主要是工程化的一些trick。 感受：这篇文章主要是做了实践工作，可以看作是低bit量化(Int 4)用于目标检测的一些trick。 Quantization and training of neural networks for efficient integer-arithmetic-only inference》简称IAO 量化用于目标检测有以下困难 并且让activation在[，] (0 < < 1) 内，文章设置n=20，=0.999. 4、折叠bn。 Int4量化与全精度对比 ? 消融实验 ? FreezeBN与不同bit的对比 ? 截断激活函数阈值的百分比 ? 与其他量化方法的对比图
1.4K20发布于 2021-03-24 - 来自专栏智能算法
目标检测算法YOLOv4详解
YOLOv4的贡献如下: 开发了一个高效、强大的目标检测模型。它使每个人都可以使用1080 Ti或2080 TiGPU来训练一个超级快速和准确的目标探测器。 2.1 目标检测器通用框架 目前检测器通常可以分为以下几个部分，不管是two-stage还是one-stage都可以划分为如下结构，只不过各类目标检测算法设计改进侧重在不同位置： ? 2.4 PAN结构 YOLOv4使用PANet(Path Aggregation Network)代替FPN进行参数聚合以适用于不同level的目标检测, PANet论文中融合的时候使用的方法是Addition 通过这种方式，神经网络对其自身进行一种对抗式的攻击，改变原始图像，制造图像上没有目标的假象。在第二阶段，训练神经网络对修改后的图像进行正常的目标检测。 ? CNN计算出Loss, 然后通过反向传播改变图片信息，形成图片上没有目标的假象，然后对修改后的图像进行正常的目标检测。需要注意的是在SAT的反向传播的过程中，是不需要改变网络权值的。
17.1K34发布于 2020-11-17 - 来自专栏厚积薄发
深度剖析目标检测算法YOLOV4
深度剖析目标检测算法YOLOV4 目录 简述 yolo 的发展历程 介绍 yolov3 算法原理 介绍 yolov4 算法原理（相比于 yolov3，有哪些改进点） YOLOV4 源代码日志解读 采用卷积神经的目标检测算法大致可以分为两个流派，一类是以 R-CNN 为代表的 two-stage，另一类是以 YOLO 为代表的 one-stage， R-CNN 系列的原理：通过 ROI 提取出大约 经过一系列的优化与改进，特别是今年 4 月份推出的 YOLOV4，使得它在准确度方面得到了大幅度的提升，另外，它还能达到实时检测（在 GPU 加持的情况下）。 它的 Star 达到 13400，可以说，知名度不是一般的高，在目标检测领域，好像只有 YOLOV3 超过它了，达到了 19000 ，是不是值得大家花点时间精力去探索一下呢 ？ YOLOV4 源代码日志解读 ? 网络层数： YOLOV4 总共层数有 161 层，YOLOV3 是 106 层，网络层数增加是非常明显的。
3.2K10发布于 2020-12-14 - 来自专栏Python编程和深度学习
目标检测系列之五（YOLO V4）
目标检测系列之五（YOLO V4） 论文题目《YOLOv4: Optimal Speed and Accuracy of Object Detection》 论文地址：https://arxiv.org of BoF and BoS3.3 Additional improvement3.4 YOLOv44 Experiment and Result5 实现版本 1 Introduction YOLO V4建立了一个更高效更强大的目标检测模型 此外，多尺度的感受野可以同时匹配不同大小的目标、兼顾目标的上下文信息、增加图像点与最终激活之间的连接数。 3） 改进SAM、PAN和Cross-mini-Batch Normalization使训练更高效 Mosaic可以同时融合4张图像进行数据增强，可以增强目标检测器的检测能力，减少对mini-batch 不同目标检测器的速度和准确性对比结果，YOLOv4位于P-are最优曲线上，在速度和精度方面都优于最快和最精确的检测。 ?
2K10发布于 2020-05-25 - 来自专栏AI算法修炼营
目标检测 | 盘点目标检测中的特征融合技巧（根据YOLO v4总结）
= self.layer3(c3) c5 = self.layer4(c4) p5 = self.toplayer(c5) p4 = self. 但N3,N4,N5和P3,P4,P5不一样，实际上N3,N4,N5是P3,P4,P5融合后的结果。 而上面的支路输出维度类似 ，其中 代表数据集目标类别数。最终，这两条支路的输出Mask做融合以获得更加精细的最终结果。 ： 1、原本 backbone 是用于目标分类的网络，导致用于目标检测的语义特征不足； 2、每个用于目标检测的特征层主要或者仅仅是由单级特征层（single-level layers）构成，也就是仅仅包含了单级信息 此外，底层特征更适合描述具有简单外观的目标，而高层特征更适合描述具有复杂外观的目标。在实际中，具有相似大小目标实例的外观可能非常不同。
3.9K20发布于 2020-05-22 - 来自专栏数据的力量
第4季投资笔记：阶段收获与新目标
重新回归投资的三年半时间里，实现年化收益率超过15%，第一阶段目标完成。 ? 二、这三年半的投资经历，哪些地方做对了，哪些做错了？ 假如2020年，A股市是继续暴跌的，变成熊市，我会怎么办？ 4、 持续投入学习投资理财知识，包括跟大V学习、上网课和阅读投资书籍，对投资的认知不断提升。 5、 努力工作，不断增加可投入的现金流，保障良好的投资心态。 三、2021年的投资思路和新的目标 1、控制现金流，以应对还可能存在的经济风险，在2020年11月卖出部分股票，回收35%的现金。 2、控制好股票与债券的仓位比例。 4、打算卖出一部分高估值偏贵的股票，换到受疫情打压较大的航空机场公司。 5、制定新的目标，希望能够实现连续5年年化收益率15%以上。
51220发布于 2021-01-18 - 来自专栏AI算法与图像处理
起飞 | 应用YOLOV4 - DeepSort 实现目标跟踪
本文分享利用yolov4+deepsort实现目标跟踪，主要是讲解如何使用，具体原理可以根据文中的参考资料更加深入学习。 完整的权重文件和项目都放在后台了，回复“yolov4” 即可获取。 欢迎分享，帮助更多的小伙伴！ 使用YOLOv4、DeepSort和TensorFlow实现的目标跟踪。 YOLOv4是一种非常优秀的算法，它使用深卷积神经网络来执行目标检测。更详细的介绍可以参考之前文章。 吊打一切的YOLOv4的tricks汇总！ YOLOv4 进行目标检测，然后使用 deep sort 进行跟踪。 /download/darknet_yolo_v4_pre/yolov4-tiny.weights 使用 YOLOv4 运行跟踪器 为了将 YOLOv4 应用到目标跟踪上，首先我们需要将权重文件转换
6.5K61发布于 2020-09-27 - 来自专栏计算机视觉
深度学习500问——Chapter08：目标检测（4）
8.3 One Stage 目标检测算法 我们将对单次目标检测器（包括SSD系列和YOLO系列等算法）进行综述。 如下图所示，在8x8的feature map和4x4的feature map上的每个单元取4个不同的default box。 原文对于 300x300 的输入，分别在conv4_3，conv7，conv8_2，conv9_2，conv10_2，conv11_2的特征图上的每个单元取4，6，6，6，4，4个default box 由于以上特征图的大小分别是 38x38，19x19，10x10，5x5，3x3，1x1，所以一共得到38x38x4 + 19x19x6 + 10x10x6 + 5x5x6 + 3x3x4 + 1x1x4 另外，SSD对小目标的检测没有大目标好，因为随着网络的加深，在高层特征图中小目标的信息丢失掉了，适当增大输入图片的尺寸可以提升小目标的检测效果。
70410编辑于 2024-05-04 - 来自专栏OpenCV与AI深度学习
目标检测实战：4种YOLO目标检测的C++和Python两种版本实现
极市导读 本文作者使用C++编写一套基于OpenCV的YOLO目标检测，包含了经典的YOLOv3，YOLOv4，Yolo-Fastest和YOLObile这4种YOLO目标检测的实现。附代码详解。 在此之前，我已经在github发布过YOLOv4，Yolo-Fastest，YOLObile这三种YOLO基于OpenCV做目标检测的程序，但是这些程序是用Python编写的。 接下来，我就使用C++编写一套基于OpenCV的YOLO目标检测，这个程序里包含了经典的YOLOv3，YOLOv4，Yolo-Fastest和YOLObile这4种YOLO目标检测的实现。 1. 运行程序的环境是win10-cpu，VS2019+opencv4.4.0，这4种YOLO目标检测网络在同一幅图片上的运行耗时的结果如下： ? ? ? ? darknet框架里生成的.cfg和.weights文件，还有yolov5的后处理计算与之前的yolov3,v4有所不同，因此我没有把yolov5添加到上面的4种YOLO目标检测程序里。
2.7K51发布于 2021-05-18 - 来自专栏大龄程序员的人工智能之路
使用TensorFlow一步步进行目标检测(4)
本文翻译自Medium上的文章：Step by Step TensorFlow Object Detection API Tutorial — Part 4: Training the Model，原文地址 ：https://medium.com/@WuStangDan/step-by-step-tensorflow-object-detection-api-tutorial-part-4-training-the-model 要达到这一目的，在调用目标检测API之前，您必须删除网络的最后90个神经元分类层并将其替换为新层。 = tf.Variable(tf.zeros(nb_classes)) logits = tf.nn.xw_plus_b(fc_2nd_last, fc_last_W, fc_last_b) 要使用目标检测 相关文章 使用TensorFlow一步步进行目标检测(1) 使用TensorFlow一步步进行目标检测(2) 使用TensorFlow一步步进行目标检测(3)
80320发布于 2019-07-01 - 来自专栏Material Design组件
About Face 4 第二章（2）目标导向设计研究
目标导向设计研究 完成了市场研究与分析这两种量化研究后，接下来开始进行定性研究。 本书中归纳了过去十年的实践中最行之有效的定性研究：目标导向设计研究，并确定了其中最为有效的几个研究活动： 目标导向设计研究过程综观图 启动会 虽然启动会并非严格意义上的“研究活动”，但确实是初始阶段设计师从利益相关者那里了解项目的好机会 多数情况下，产品设计/再设计是为了实现一个/多个商业目标（最常见的是赚钱）。设计师的职责则是在设计解决方案的过程中不忘将商业目标融入其中，因此，理解设计需求背后的机会与限制是一项非常重要的工作。 用户是亲自使用产品来达到目标的人。 WHY？为什么要对用户进行访谈？ 对现有用户进行访谈：发现当前版本对用户行为/思维有何影响 对潜在用户进行访谈：他们是产品的目标用户。 有特定采访目标：笔记+录像/录音 无特定采访目标：在公共场合观察路人行为 下一次笔记将整理访谈并观察用户的具体方法
95380发布于 2018-05-17 - 来自专栏我爱计算机视觉
YOLOv4 | 用C++ 和OpenCV 实现视频目标检测
你想不想知道，这类检测视频中目标物的黑科技是怎么实现的呢？ 虽然不同场景下的目标检测模型训练不同，但底层技术都是一样的。 这里就一步步来教一下大家如何用C++ 和OpenCV 实现视频目标检测（YOLOv4模型）。 1. 实现思路 读取视频流，载入模型，执行推理，找出所有目标及其位置，最后绘制检测结果。 2. ); net.setPreferableTarget(cv::dnn::DNN_TARGET_CUDA); 执行推理： net.forward(outs, outNames); //前向传播 找出所有目标及其位置 （a）测试图1YOLOv4 ? （b）测试图1YOLOv4-tiny ? （c）测试图2YOLOv4 ? （d）测试图2YOLOv4-tiny 图 YOLOv4与YOLOv4-tiny模型的检测结果 3. 总结 YOLOv4的检测精度优于YOLOv4-tiny。
3.5K20发布于 2021-05-07 - 来自专栏腾讯企点
趋势快报 | 智能客服：2大挑战与4大完善目标
03.智能识别，实现精确营销 智能客户服务，最重要的特点或说是最重要的目标之一就是系统能“认出”每一位访客，通过自动抓取访客信息，精准描绘客户的画像，并根据这些“用户画像”，客服人员可以提供针对性的服务 智能客服:2大的挑战与4大完善的目标 人工客服在今天被视为是“最没有技术含量”的一个工种，也是被视为是人工智能可能会全面颠覆和取代的一个职业。 但人工智能客服真正取代人力，目前还是不太现实。 当前智能客服4大完善的目标： 01.在技术层面，完善系统技术应用，让系统更智能 建立智能客服系统不单单只是IT建设的问题，如果还停留在用传统IT的思维模式去做机械化的分词、关键字搜索、匹配，这样的方式远远谈不上智能 02.让系统听懂人话是智能客服的核心目标 智能服务的基础核心技术是自然语言处理，它通过对自然语言进行分词、分析、抽取、检索、变换、翻译等工作而让计算机快速理解自然语言表达的意图并准确地反馈用户所需信息， 原文标题《智能客服：2大挑战与4大完善目标》。我们尊重著作权所有人的合法权益，如涉及版权争议，请著作权人告知我方删除，谢谢。
3.4K20发布于 2020-06-10 - 来自专栏OpenCV与AI深度学习
OpenCV DNN模块官方教程(二)YoloV4目标检测实例
今天介绍第五部分：加载darknet框架的YoloV4模型做目标检测，相较于官方文档更易理解，之所以选YoloV4，是因为YoloV4现已很流行，同时YoloV4和YoloV3在OpenCV DNN模块的使用方法相似 /model/yolov4.cfg"; String weights = "./model/yolov4.weights"; string classesFile = ". 下面是OpenCV DNN读取YoloV4模型进行图片检测代码和效果： // DNN_YOLO_V4.cpp : 此文件包含 "main" 函数。程序执行将在此处开始并结束。 /model/yolov4.cfg"; String weights = ". /cars.mp4"); Mat frame; while (1) { if (!
4.2K20发布于 2020-09-23 - 来自专栏CVer
大盘点 | 2019年4篇目标检测算法最佳综述
前言 上次整理了近期目标检测比较亮眼的论文汇总，详见： 一文看尽8篇目标检测最新论文(EfficientDet/EdgeNet/ASFF/RoIMix/SCL/EFGRNet等）。 目标检测"里程碑"：2001-2019 ? 目标检测多尺度方法：2001 - 2019 ? 目标检测边框回归方法：2001 - 2019 ? Two-stage和One-stage目标检测基础框架 ? 4种使用不同size feature map的目标检测算法 ? 目标检测"里程碑"：2012-2019 ? 目标检测关键知识点 ? VOC 数据集算法性能对比 ? MS COCO 数据集算法性能对比 ---- 【4】Imbalance Problems in Object Detection: A Review 时间：2019年9月 作者：中东技术大学 链接：https
1.2K20发布于 2019-12-06
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号